Um banco tem 10 anos de dados de clientes em arquivos CSV on-premises. A equipe de ciência de dados quer realizar transformações rapidamente e explorar os dados antes de construir um modelo de produção no SageMaker, com o mínimo esforço de desenvolvimento. Qual abordagem minimiza o esforço e permite transformações e insights rápidos?

A opção correta minimiza o esforço e permite transformações e insights rápidos porque o SageMaker Data Wrangler é projetado para ingestão, transformação e exploração de dados, e o Amazon S3 é o local ideal para armazenar grandes volumes de dados. Fazer upload para o S3 e depois usar o Data Wrangler é o fluxo de trabalho padrão e mais eficiente. A opção de fazer upload diretamente para o console do SageMaker Data Wrangler não é viável, pois o Data Wrangler não permite uploads diretos de arquivos locais; ele precisa de uma fonte de dados como o S3. As outras opções adicionam etapas desnecessárias ou ferramentas que aumentam o esforço de desenvolvimento sem trazer benefícios significativos para o requisito de "mínimo esforço" e "insights rápidos". Usar o QuickSight ou um notebook do SageMaker Studio para insights após o Data Wrangler seria uma etapa adicional que não é estritamente necessária para a exploração inicial e rápida, que pode ser feita diretamente no Data Wrangler.